pengxiao
c55f956656
- ch02: 第5节重写为"环境-智能体框架"，新增表2.1/2.2和图2.1 - ch01: 补充 Garrity 引用来源 - 全部附录(ap01-ap09)从 Word 重新转换，修复 \sub 等转换错误 - 新增 ch13 结语占位、上下篇分隔页 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
53 lines
2.6 KiB
TeX
53 lines
2.6 KiB
TeX
\chapter{关键术语表}
|
|
|
|
本附录按章节整理书中涉及的关键中英文术语。
|
|
|
|
\section{第二章}
|
|
|
|
{\def\LTcaptype{none} % do not increment counter
|
|
\begin{longtable}[]{@{}
|
|
>{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.1597}}
|
|
>{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.2605}}
|
|
>{\raggedright\arraybackslash}p{(\linewidth - 4\tabcolsep) * \real{0.5630}}@{}}
|
|
\toprule\noalign{}
|
|
\begin{minipage}[b]{\linewidth}\raggedright
|
|
中文
|
|
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
|
|
英文
|
|
\end{minipage} & \begin{minipage}[b]{\linewidth}\raggedright
|
|
说明
|
|
\end{minipage} \\
|
|
\midrule\noalign{}
|
|
\endhead
|
|
\bottomrule\noalign{}
|
|
\endlastfoot
|
|
数据模态 & Data Modality & 信息的存在形式，如文本、图像、三维等 \\
|
|
线性回归 & Linear Regression & \(y = ax + b\) 形式的函数拟合 \\
|
|
多元回归 & Multiple Regression & 多输入变量的线性模型
|
|
\(y = \sum a_{i}x_{i} + b\) \\
|
|
多层感知机 & Multi-Layer Perceptron (MLP) & 最基础的前馈神经网络结构 \\
|
|
前向传播 & Forward Propagation & 数据从输入层到输出层的计算过程 \\
|
|
激活函数 & Activation Function & 引入非线性的函数，如ReLU、Sigmoid \\
|
|
损失函数 & Loss Function & 衡量预测值与真实值差距的函数 \\
|
|
反向传播 & Backpropagation & 利用链式法则计算梯度的算法 \\
|
|
梯度下降 & Gradient Descent & 沿梯度反方向更新参数的优化方法 \\
|
|
学习率 & Learning Rate & 梯度下降中控制参数更新步长的超参数 \\
|
|
权重 & Weight & 神经元之间连接的可学习参数 \\
|
|
偏置 & Bias & 调整输出基准的可学习参数 \\
|
|
特征工程 & Feature Engineering & 人工设计和提取数据特征的过程 \\
|
|
迁移学习 & Transfer Learning & 将一个任务学到的知识迁移到新任务 \\
|
|
基础模型 & Foundation Model & 在大规模数据上预训练的大型通用模型 \\
|
|
涌现能力 & Emergent Abilities & 模型规模大到一定程度后出现的新能力 \\
|
|
缩放定律 & Scaling Law &
|
|
模型性能与规模（数据量、参数量、计算量）之间的关系规律 \\
|
|
环境-智能体-任务 & Environment-Agent-Task &
|
|
AI实践的三元框架：环境提供操作空间，智能体执行任务，任务定义目标 \\
|
|
Vibe Coding & Vibe Coding &
|
|
感觉驱动编程，用自然语言描述需求让AI生成代码的编程范式 \\
|
|
全连接层 & Fully Connected Layer &
|
|
每个神经元与上一层所有神经元相连的网络层 \\
|
|
预训练 & Pre-training & 在大规模数据上的初始训练阶段 \\
|
|
微调 & Fine-tuning & 在特定任务数据上对预训练模型进行适配训练 \\
|
|
\end{longtable}
|
|
}
|